2023年MathorCup数学建模B题城市轨道交通列车时刻表优化问题解题全过程文档加程序

2023年第十三届MathorCup高校数学建模挑战赛

B题 城市轨道交通列车时刻表优化问题

原题再现:

  列车时刻表优化问题是轨道交通领域行车组织方式的经典问题之一。列车时刻表规定了列车在每个车站的到达和出发(或通过)时刻,其在实际运用过程中,通常用列车运行图来表示。图1为某一运行图的示例,图中每一条线表示一趟列车,横轴表示车站,纵轴表示时间,每一条线反映了一趟列车在不同时刻所处的相对位置,也称为运行线。比如,图中红色运行线表示,列车于9:02分从D站出发,于9:05分到达C站,停留1分钟后出发,于9:09分到达B站,停留1分钟后出发,于10:03分到达A站。
在这里插入图片描述
  实际运营中,在铺画列车运行图之前,首先得先确定列车开行方案,列车开行方案包括列车编组方案、列车停站方案和列车交路计划三部分。
  列车编组方案规定了列车的车型和编组数量(即列车的节数),在本问题中采用统一的车型和编组数量。
  列车停站方案是规定列车在哪些站点停站的方案,在本问题中均采用站站停的停站方案(即列车在每个经过的车站都会停车)。
  列车交路计划是指列车在规定的运行线路上往返运行的方式,即规定了列车在哪些站点之间运行以及开行的数量。大小交路模式是城轨运营中常用的交路模式,是指城市轨道交通运行线路的长短区间。通俗讲,大交路是指列车跑完全程,小交路是指将全程中的某两个站作为临时起点或终点来跑,需要注意的是,只有具有折返能力的车站(能让列车调头的车站)才能作为交路的起点或终点。图2为某大小交路方案示意图,表示以A站为起点的,D站为终点大交路区间开行10对列车,以A站为起点,C站为终点小交路区间开行5对列车。
  在大小交路方案中,大小交路列车开行列数通常为1:n或n:1两种模式,即每开行n列大(小)交路列车后,开行一列小(大)交路列车,并且小交路所经过的车站数量需有一定限制:小交路区间过短会导致列车的折返频繁,使运营成本增加;小交路区间过长则无法体现大小交路运营模式的作用。
在这里插入图片描述
  在大小交路的运营模式下,乘客通常会被分为6种类型,如图3所示,
其中𝑠1 −𝑠n为大交路区间,𝑠a −𝑠b为小交路区间。
  第Ⅰ,Ⅱ,Ⅲ类乘客起点均位于[𝑠1 , 𝑠a ],终点无论位于哪个区间,乘客都只能乘坐大交路列车。
  第Ⅳ,Ⅴ类乘客起点均位于[𝑠a , 𝑠b ]。其中第Ⅳ类乘客终点位于[𝑠a , 𝑠b ],乘客既可乘坐大交路列车,也可乘坐小交路列车;第Ⅴ类乘客终点位于[𝑠b ,𝑠n ],乘客可以乘坐小交路列车之后到𝑠b进行换乘,也可直接乘坐大交路列车。
  第Ⅵ类乘客起点位于[𝑠b , 𝑠n ],终点位于[𝑠b , 𝑠n ],乘客只能乘坐大交路列车。
在这里插入图片描述
  在列车开行方案的制定中,需要以最小的企业运营成本和最大的服务
水平(乘客在车时间和乘客等待时间)来满足客流的需求,企业的运营成本包括固定成本(所需车辆的数量)和变动成本(列车总走行公里)两部分组成。受到车站通过能力的制约和服务水平的要求,在一定时间内,列车的发车数量也有一定的限制。
  在制定好列车开行方案后,可根据该方案同样以企业运营成本最小化
和服务水平最大化为目标铺画列车运行图,即确定每趟列车的出发和到达的具体时刻。现有的列车时刻表通常为等间隔的平行运行图,即发车间隔(如每5分钟开行一趟列车)和在同一站点的停站时间相等。发车间隔的长短会有一定的限制:发车间隔过短,则会影响列车运行的安全;发车间隔过长,则会增长乘客的平均等待时间,从而影响服务水平。同样地,停站时间也需受到一定限制,一般来说列车在车站的停站时间正比于在该站上、下车的乘客数量。另外,需要注意的是,两列车在同一区间追踪运行时,需保留一定的安全间隔(追踪间隔时间)。
  采用大小交路运营模式的列车运行图,大交路列车和小交路列车一般
会交替开行,比如当大交路列车与小交路列车的比例为2:1时,则会以每3 列车为一个组合(前 2 列车为大交路列车,第三列车为小交路列车)滚动发车。
  在下列问题中,只需制定单向的列车时刻表即可。
  问题一:在满足客流需求的条件下,以企业运营成本最小化和服务水平最大化为目标,制定列车开行方案。即确定大交路区间列车的开行数量,小交路的运行区间以及开行数量。(输出格式详见附件6)
  问题二:在问题一制定的列车开行方案下,同样以企业运营成本最小化和服务水平最大化且尽量满足客流需求为目标,制定等间隔的平行运行图。(输出格式详见附件7,并将附件7单独上传到竞赛系统中)
  问题三:对于降低企业运营成本和提高服务水平,你们团队有哪些好的方法或建议?基于客流和车站数据,提供相应的量化分析支持。
  输入输出数据:
  所给数据为某实际轨道交通线路的真实数据,沿途共有30座车站,客流数据的时段为7:00 - 8:00。数据详见附件。
  附件1:车站数据.xlsx
  附件2:区间运行时间.xlsx
  附件3:OD客流数据.xlsx
  附件4:断面客流数据.xlsx
  附件5:其他数据.xlsx
  附件6:问题一输出示例.xlsx
  附件7:问题二输出示例.xlsx

整体求解过程概述(摘要)

  随着城市化进程的加快,轨道交通成为人们出行的重要一环。列车运营商在提高服务水平的同时,为尽可能的降低列车的运营成本,则需要对列车的开行方案进行优化。本文利用提供的数据,针对目前的问题,做出以下工作:
  针对问题一:在满足客流需求的情况下,为达到企业运营成本最小和服务水平最高。首先,对提供的数据进行处理,得到每个时段的客流量和列车基本参数。其次,以运营成本和服务水平为优化目标,建立多元优化模型。其中运营成本和服务水平展开为:车辆成本、车辆里程、运营成本和车辆运行时间、乘客等待时间、乘客出行成本、乘车舒适度七个权重不同的相关因素。最后使用优化GA-SA(遗传-模拟退火)算法结合约束条件,求解开行方案为:大交路(1-30车站)开行列数为9、小交路(5-14站)开行列数为4、小交路(8-14站)开行列数为4、小交路(8-17站)开行列数为3、小交路(10-14站)开行列数为6和小交路(14-22站)开行列数为8并以图例展示。
  针对问题二,在问题一求解的开行方案下,为达到企业运营成本最小和服务水平最高。首先,确定开行方案中的车辆里程。其次,以运营成本和服务水平为优化目标,建立多元优化模型。其中运营成本和服务水平展开为:每站发车时间、每站到达时间、每站停车时间以及追踪间隔时间等权重不同的相关因素。同样采用优化GA-SA(遗传-模拟退火)算法结合约束条件,求解列车平行时刻表,如:小交路(10-14站),第一辆列车于7:00:00时从10起点站出发,于7:01:36到达11站,停留02:19后出发,于7:05:09 到达12站,停留01:15后出发,于7:08:37到达13站,停留01:14后出发,于7:11:13到达14终点站。并以平行运营图展示。
  针对问题三,为进一步降低企业运营成本和提高服务水平。根据数据可得,不同时间段的客流量差异巨大。以此为依据,从发车间隔、停站时间动态调整、列车站点起/终点优化出发,设定客流量阈值,将其划分为客流高峰、中峰和低峰时段,做出优化如下:
  (1) 发车间隔:客流高峰6分钟、中峰10分钟和低峰时段15分钟;
  (2) 停战时间:客流高峰110s、中峰74s和低峰时段15s;
  (3) 起/终点列车:车站6、7、11设置为起始车站、车站27设置为非起始车站;得到了进一步降低企业运营成本和提高服务水平的开行方案。
  最后,提出采用先进技术、加强客流管理等建立以及对模型进行了评价。

模型假设:

  假设1:车辆在运行时不会发生交通事故。
  假设2:无论在车站还是区间,都不允许列车发生越行或避让。
  假设3:乘客在上车时遵守规则。
  假设4:本文中车次的区间运行时分和车站停站时分均是提前给定好的。
  假设5:车站中的基础设施不存在损耗。
  假设6:列车编组固定后不再改变。
  假设7:列车在行驶路线中匀速行驶。

问题分析:

  问题一中提出,在满足客流需求的条件下,以企业运营成本最小化和服务水平最大化为目标,制定列车开行方案。首先结合问题和实际,将影响企业运营成本和影响服务水平的主要因素提取出。建立多目标优化模型,对问题一进行求解。

  问题二要求在问题一制定的列车开行方案下,同样以企业运营成本最小化和服务水平最大化且尽量满足客流需求为目标,制定等间隔的平行运行图。与问题二不同的是,问题一中满足客流量需求是前提条件,问题一中制定的方案必须满足客流量的需求,问题二中要求尽量满足客流量的需求。因此结合问题一中的基于多元优化的SA-NA模型,将设置满足客流量的目标函数,将其输出的结果赋予较高的权重。最后任然使用加权平均的方式来制定出等间隔运行图。

  问题三中提出,提出相关建议以及方法,以更好的降低企业运营成本和提高服务水平,同时基于客流和车站数据,提供相应的量化分析支持。结合第一,第二问建立的多目标优化模型以及结合对实际生活中列车发车的观察,我们提出了如下建议:
  1.动态调整发车间隔
  2.优化列车停站方案
  3.优化列车起始点

模型的建立与求解整体论文缩略图

在这里插入图片描述
在这里插入图片描述

全部论文请见下方“ 只会建模 QQ名片” 点击QQ名片即可

程序代码:

import numpy as npimport matplotlib.pyplot as plt# Read data from fileimport pandas as pdimport numpy as np# 读取Excel文件
df = pd.read_excel('附件 3:OD 客流数据.xlsx', sheet_name='Sheet1', header=None)# 将DataFrame 转换为NumPy数组
df = df.fillna(0)data = df.to_numpy()[1:, 1:]num_stations = len(data)# Calculate the total number of passengers getting on/off at each stationpassengers_get_on = np.sum(data, axis=1)passengers_get_off = np.sum(data, axis=0)# Create x-axis values (stations) and y-axis values (passengers)x =np.arange(num_stations) + 1y_get_on = passengers_get_ony_get_off =-passengers_get_off # 将负数转为正数,后面在y轴上显示负号
plt.rcParams['font.size'] = 14# Plot the dataplt.rcParams['font.family'] = 'SimHei'plt.plot(x, y_get_on, label='上车')plt.plot(x, y_get_off, label='下车')#Add labels and legendplt.xlabel('车站')plt.ylabel('人数')plt.title('每个车站上下车人数')plt.legend()#Add minus sign to y-axis ticksplt.gca().yaxis.set_tick_params(which='both', direction='in')
plt.gca().yaxis.set_ticklabels([f'{abs(tick):.0f}' if tick != 0 else '0' for tick inplt.gca().get_yticks()])plt.gca().yaxis.get_ticklabels()[0].set_horizontalalignment('left')plt.gca().yaxis.get_ticklabels()[-1].set_horizontalalignment('right')plt.gca().yaxis.get_ticklabels()[int(len(plt.gca().get_yticks())/2)].set_horizontalalignment('center')plt.gca().yaxis.get_ticklabels()[int(len(plt.gca().get_yticks())/2)].set_verticalalignment('bottom')plt.gca().yaxis.get_ticklabels()[-1].set_verticalalignment('bottom')# Showthe plotplt.show()
import matplotlib.pyplot as pltplt.rcParams['font.family'] = 'SimHei'# 定义车站类型
stations = {1: 'square',2: 'square',3: 'circle',4: 'circle',5: 'square',6: 'circle',7: 'circle',8: 'square',9: 'circle',10: 'square',11: 'circle',12: 'circle',13: 'circle',14: 'square',15: 'circle',16: 'circle',17: 'square',18: 'square',19: 'circle',20: 'circle',21: 'square',22: 'square',23: 'circle',24: 'circle',25: 'square',26: 'square',27: 'square',28: 'circle',29: 'circle',30: 'square'}# 定义车站之间的连接关系
connections = [(1, 2), (2, 5), (5, 8), (8, 10), (10, 14), (14, 17), (17, 18),(18, 21), (21, 22), (22, 25), (25, 26), (26, 27), (27, 30)]# 绘制图像
fig, ax = plt.subplots(figsize=(10, 5))for i in range(1, 31):if stations[i] == 'square':ax.scatter(i, 0, marker='s', s=300, color='black')else:ax.scatter(i, 0, marker='o', s=300, color='gray')for c in connections:ax.plot([c[0], c[1]], [0, 0], linewidth=5, color='blue')ax.scatter(24, 0.8, marker='s', s=200, color='black')ax.text(25, 0.8, '可作为起点/终点', fontsize=12, color='black')ax.scatter(24, 0.6, marker='o', s=200, color='gray')ax.text(25, 0.6, '不可作为起点/终点', fontsize=12, color='black')ax.set_xlim([0, 31])ax.set_ylim([-1, 1])ax.set_xticks(range(1, 31))ax.set_yticks([])ax.set_title('车站示意图')ax.tick_params(labelsize=14)plt.show()
import pandas as pd# 假设您已经将文件读取到了以下数据框中
station_data = pd.read_excel("附件 1:车站数据.xlsx")section_time_data = pd.read_excel("附件 2:区间运行时间.xlsx")od_data = pd.read_excel("附件 3:OD 客流数据.xlsx")section_flow_data = pd.read_excel("附件 4:断面客流数据.xlsx")other_data = pd.read_excel("附件 5:其他数据.xlsx")# 提取车站间距离数据station_distances = {}for i, row in section_time_data.iterrows():section = f"车站{i+1}->车站{i+2}"station_distances[section] = row["站间距/km"]# 提取区间运行时间数据
section_times = {}for i, row in section_time_data.iterrows():section = f"车站{i+1}->车站{i+2}"section_times[section] = row["区间运行时间/s"]# 提取OD客流数据
od_matrix = od_data.to_numpy()# 提取断面客流量数据
section_flow = {}for i, row in section_flow_data.iterrows():section = f"车站{i+1}->车站{i+2}"section_flow[section] = row["断面客流量/人"]# 提取其他数据
min_max_departure_interval = [120, 360]min_tracking_interval = 108min_max_station_stay_time = [20, 120]train_capacity = 1860min_max_small_circuit_stations = [3, 24]avg_boarding_alighting_time = 0.04def decode_individual(individual):big_circuit_start = max(1, int(individual[0]))big_circuit_end = int(individual[1])small_circuit_start = max(1, int(individual[2]))small_circuit_end = int(individual[3])while big_circuit_end <= big_circuit_start or small_circuit_end <= small_circuit_start:big_circuit_start = max(1, int(individual[0]))big_circuit_end = int(individual[1])small_circuit_start = max(1, int(individual[2]))small_circuit_end = int(individual[3])big_circuit_distance = sum(station_distances[f"车站{i}->车站{i+1}"] for i inrange(big_circuit_start, big_circuit_end + 1))small_circuit_distance = sum(station_distances[f"车站{i}->车站{i+1}"] for i inrange(small_circuit_start, small_circuit_end + 1))solution = {'大交路': {'运行区间':(big_circuit_start, big_circuit_end),'运营里程':big_circuit_distance,'开行数量':individual[4]},'小交路': {'运行区间':(small_circuit_start, small_circuit_end),'运营里程':small_circuit_distance,'开行数量':individual[5]}}return solutiondef calculate_service_level(solution):big_circuit_start, big_circuit_end = solution['大交路']['运行区间']small_circuit_start, small_circuit_end = solution['小交路']['运行区间']big_circuit_service = od_matrix.iloc[big_circuit_start- 1:big_circuit_end,big_circuit_start- 1:big_circuit_end].sum().sum()small_circuit_service = od_matrix.iloc[small_circuit_start- 1:small_circuit_end,small_circuit_start- 1:small_circuit_end].sum().sum()service_level = (big_circuit_service + small_circuit_service) / total_passenger_flowreturn service_leveldef objective_function(individual):solution = decode_individual(individual)if solution is None:return float('inf'), float('-inf') # 如果解决方案为空(不满足限制条件),返回
极大的成本和极小的服务水平
big_circuit = solution['大交路']small_circuit = solution['小交路']# 计算成本
big_circuit_cost = big_circuit['运营里程'] * big_circuit['开行数量']small_circuit_cost = small_circuit['运营里程'] * small_circuit['开行数量']cost = big_circuit_cost + small_circuit_cost# 计算服务水平
service_level = calculate_service_level(solution)
return cost, service_level
全部论文请见下方“ 只会建模 QQ名片” 点击QQ名片即可

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/471269.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

安全见闻1-5

涵盖了编程语言、软件程序类型、操作系统、网络通讯、硬件设备、web前后端、脚本语言、病毒种类、服务器程序、人工智能等基本知识&#xff0c;有助于全面了解计算机科学和网络技术的各个方面。 安全见闻1 1.编程语言简要概述 C语言&#xff1a;面向过程&#xff0c;适用于系统…

闯关leetcode——3178. Find the Child Who Has the Ball After K Seconds

大纲 题目地址内容 解题代码地址 题目 地址 https://leetcode.com/problems/find-the-child-who-has-the-ball-after-k-seconds/description/ 内容 You are given two positive integers n and k. There are n children numbered from 0 to n - 1 standing in a queue in o…

Java结合ElasticSearch根据查询关键字,高亮显示全文数据。

由于es高亮显示机制的问题。当全文内容过多&#xff0c;且搜索中标又少时&#xff0c;就会出现高亮结果无法覆盖全文。因此需要根据需求手动替换。 1.根据es的ik分词器获取搜索词的分词结果。 es部分&#xff1a; //中文分词解析 post /_analyze {"analyzer":"…

Python——NumPy库的简单用法,超级详细教程使用

一、什么是NumPy库 NumPy&#xff1a;它是python的一个科学计算库函数&#xff0c;它是由c语言编写的 它应用于数据处理、机器学习、图像处理、文件操作等等 二、array函数 这里导入库numpy&#xff0c;命名为np&#xff0c;后面的np都是代表着是numpy函数 array函数表示创建…

【Java语言】String类

在C语言中字符串用字符可以表示&#xff0c;可在Java中有单独的类来表示字符串&#xff08;就是String&#xff09;&#xff0c;现在我来介绍介绍String类。 字符串构造 一般字符串都是直接赋值构造的&#xff0c;像这样&#xff1a; 还可以这样构造&#xff1a; 图更能直观的…

自由学习记录(21)

感觉反而 还复杂一点&#xff0c;关系并不纯粹&#xff0c;游戏里用的少...的确 是知道为什么游戏不用了 理解思想就可以了&#xff0c;实际操作也是动态的分析&#xff0c;硬套某种模式也不是怎么很合适 MVC的了解应该是差不多了&#xff0c;重点还是实际中的使用了 所以删了…

Bugku CTF_Web——点login咋没反应

Bugku CTF_Web——点login咋没反应 进入靶场 随便输个试试 看来确实点login没反应 抓包看看 也没有什么信息 看了下源码 给了点提示 一个admin.css try ?12713传参试试 拿到一个php代码 <?php error_reporting(0); $KEYctf.bugku.com; include_once("flag.php&q…

软件测试面试大全(含答案+文档)

1、你的测试职业发展是什么&#xff1f; 测试经验越多&#xff0c;测试能力越高。所以我的职业发展是需要时间积累的&#xff0c;一步步向着高级测试工程师奔去。而且我也有初步的职业规划&#xff0c;前3年积累测试经验&#xff0c;按如何做好测试工程师的要点去要求自己&…

从华为到创业公司

我有一个朋友&#xff0c;在华为工作了很长一段时间&#xff0c;一年多前&#xff0c;他从华为出来到了一家创业公司。 周末趁着有时间&#xff0c;我跟他聊了下关于从华为到创业公司的一些问题&#xff0c;总结给大伙看看。 ▎1 在华为工作和在创业公司工作最大的差别是什么呢…

Linux网络——网络初识

目录 1. 认识协议 2. 协议的分层 3. OSI 七层模型 && TCP/IP 五层(四层)模型 4. 网络传输的基本流程 5. 以太网的通信原理 6. 数据的跨网络传播 7. 认识 IP 地址 ① IP 是什么 ② IP 与 MAC 的关系 ③ 为什么需要 IP 在谈及网络之前&#xff0c;我们要先对学…

React Hooks在现代前端开发中的应用

&#x1f493; 博客主页&#xff1a;瑕疵的CSDN主页 &#x1f4dd; Gitee主页&#xff1a;瑕疵的gitee主页 ⏩ 文章专栏&#xff1a;《热点资讯》 React Hooks在现代前端开发中的应用 React Hooks在现代前端开发中的应用 React Hooks在现代前端开发中的应用 引言 React Hooks …

执行flink sql连接clickhouse库

手把手教学&#xff0c;flink connector打通clickhouse大数据库&#xff0c;通过下发flink sql&#xff0c;来使用ck。 组件版本jdk1.8flink1.17.2clickhouse23.12.2.59 1.背景 flink官方不支持clickhouse连接器&#xff0c;工作中难免会用到。 2.方案 利用GitHub大佬提供…

【机器学习】如何配置anaconda环境(无脑版)

马上就要上机器学习的实验&#xff0c;这里想写一下我配置机器学习的anaconda环境的二三事 一、首先&#xff0c;下载安装包&#xff1a; Download Now | Anaconda 二、打开安装包&#xff0c;一直点NEXT进行安装 这里要记住你要下载安装的路径在哪&#xff0c;后续配置环境…

如何保护 Microsoft 网络免受中间人攻击

一名办公室工作人员收到了一封看似来自供应商的电子邮件&#xff0c;但该邮件被隔离了&#xff0c;用户请求将其释放。这封邮件看起来没什么问题&#xff0c;因此管理员释放了这封邮件。用户点击邮件查看内容&#xff0c;其中包括一张附加发票。 问题就从这里开始&#xff1a;…

Excel筛选的操作教程

用Excel整理数据时&#xff0c;常常要用到筛选功能&#xff0c;很多复杂的数据经过一定条件的筛选后就变得很清晰。筛选也是Excel的一个基本功能之一&#xff0c;你会使用这个功能吗&#xff1f;不会也没关系&#xff0c;接着往下看&#xff0c;接下来就来演示一些Excel表格筛选…

爬虫补环境案例---问财网(rpc,jsdom,代理,selenium)

目录 一.环境检测 1. 什么是环境检测 2.案例讲解 二 .吐环境脚本 1. 简介 2. 基础使用方法 3.数据返回 4. 完整代理使用 5. 代理封装 6. 封装所有使用方法 jsdom补环境 1. 环境安装 2. 基本使用 3. 添加参数形式 Selenium补环境 1. 简介 2.实战案例 1. 逆向目…

JAVA:探索 EasyExcel 的技术指南

1、简述 在 Java 开发中&#xff0c;Excel 文件的读写操作是一项常见的需求。阿里巴巴开源的 EasyExcel 提供了一种高效、简洁的解决方案&#xff0c;特别是在处理大规模数据时表现尤为突出。本文将详细介绍 EasyExcel 的优缺点、应用场景&#xff0c;并通过实例展示其基本用法…

力扣662:二叉树的最大宽度

给你一棵二叉树的根节点 root &#xff0c;返回树的 最大宽度 。 树的 最大宽度 是所有层中最大的 宽度 。 每一层的 宽度 被定义为该层最左和最右的非空节点&#xff08;即&#xff0c;两个端点&#xff09;之间的长度。将这个二叉树视作与满二叉树结构相同&#xff0c;两端…

Elasticsearch基本概念及使用

Elasticsearch 是一个开源的、分布式的全文搜索和分析引擎&#xff0c;基于 Apache Lucene 构建。它提供了快速的搜索能力&#xff0c;支持大规模的数据分析&#xff0c;广泛应用于日志分析、全文搜索、监控系统和商业智能等领域。ES操作指令是基于restAPI构建&#xff0c;也就…

Vue.js 项目创建流程

Vue.js 项目创建流程 以下是一个详细的步骤指南&#xff0c;用于在Windows系统上使用NVM&#xff08;Node Version Manager&#xff09;和npm创建一个新的Vue.js项目。 1. 安装Node.js指定版本 首先&#xff0c;使用NVM安装Node.js的20.18.0版本。 nvm install 20输出示例&…